m基于遗传优化算法的公式参数拟合matlab仿真

简介: m基于遗传优化算法的公式参数拟合matlab仿真

1.算法描述
遗传算法的原理

   遗传算法GA把问题的解表示成“染色体”,在算法中也即是以二进制编码的串。并且,在执行遗传算法之前,给出一群“染色体”,也即是假设解。然后,把这些假设解置于问题的“环境”中,并按适者生存的原则,从中选择出较适应环境的“染色体”进行复制,再通过交叉,变异过程产生更适应环境的新一代“染色体”群。这样,一代一代地进化,最后就会收敛到最适应环境的一个“染色体”上,它就是问题的最优解。

   其主要步骤如下:

1.初始化

   选择一个群体,即选择一个串或个体的集合bi,i=1,2,...n。这个初始的群体也就是问题假设解的集合。一般取n=30-160。

   通常以随机方法产生串或个体的集合bi,i=1,2,...n。问题的最优解将通过这些初始假设解进化而求出。

2.选择

  根据适者生存原则选择下一代的个体。在选择时,以适应度为选择原则。适应度准则体现了适者生存,不适应者淘汰的自然法则。

给出目标函数f,则f(bi)称为个体bi的适应度。以

为选中bi为下一代个体的次数。

显然.从式(3—86)可知:

(1)适应度较高的个体,繁殖下一代的数目较多。

(2)适应度较小的个体,繁殖下一代的数目较少;甚至被淘汰。

这样,就产生了对环境适应能力较强的后代。对于问题求解角度来讲,就是选择出和最优解较接近的中间解。

3.交叉

   对于选中用于繁殖下一代的个体,随机地选择两个个体的相同位置,按交叉概率P。在选中的位置实行交换。这个过程反映了随机信息交换;目的在于产生新的基因组合,也即产生新的个体。交叉时,可实行单点交叉或多点交叉。

拟合公式:

1.png

该公式经过化简实部、虚部分离得:

2.png

公式化简

3.png
4.png

令:

5.png

所以:

6.png

需要拟合的参数有:

7.png

定义GA优化目标函数如下所示:

8.png

2.仿真效果预览
matlab2022a仿真结果如下:

9.png
10.png
11.png
12.png
13.png
14.png

3.MATLAB核心程序

MAXGEN = 2000;
NIND   = 400;
Chrom  = crtbp(NIND,14*10);
%14个变量的区间
Areas  = [0   ,0   ,0   ,0   ,0   ,0    ,0   ,0   ,0   ,0    ,0   ,0   ,0   ,0;
          10  ,1   ,100 ,500 ,100 ,5e8  ,1   ,1   ,1   ,1    ,2e11,2e8 ,1e4 ,1e2];
 
FieldD = [rep([10],[1,14]);Areas;rep([0;0;0;0],[1,14])];
 
epls_inf_NIND    = zeros(NIND,1);
deltas_NIND      = zeros(NIND,1);
delta_epls1_NIND = zeros(NIND,1);
delta_epls2_NIND = zeros(NIND,1);
delta_epls3_NIND = zeros(NIND,1);
delta_epls4_NIND = zeros(NIND,1);
beta1_NIND       = zeros(NIND,1);
beta2_NIND       = zeros(NIND,1);
beta3_NIND       = zeros(NIND,1);
beta4_NIND       = zeros(NIND,1);
fc1_NIND         = zeros(NIND,1);
fc2_NIND         = zeros(NIND,1);
fc3_NIND         = zeros(NIND,1);
fc4_NIND         = zeros(NIND,1);
 
epls_inf         = zeros(MAXGEN,1);
deltas           = zeros(MAXGEN,1);
delta_epls1      = zeros(MAXGEN,1);
delta_epls2      = zeros(MAXGEN,1);
delta_epls3      = zeros(MAXGEN,1);
delta_epls4      = zeros(MAXGEN,1);
beta1            = zeros(MAXGEN,1);
beta2            = zeros(MAXGEN,1);
beta3            = zeros(MAXGEN,1);
beta4            = zeros(MAXGEN,1);
fc1              = zeros(MAXGEN,1);
fc2              = zeros(MAXGEN,1);
fc3              = zeros(MAXGEN,1);
fc4              = zeros(MAXGEN,1);
Error            = zeros(MAXGEN,1);
 
gen              = 0;
 
 
 
for a=1:1:NIND 
    epls_inf_NIND(a)    = epls_inf_0;      
    deltas_NIND(a)      = deltas_0;
    delta_epls1_NIND(a) = delta_epls1_0;
    delta_epls2_NIND(a) = delta_epls2_0;
    delta_epls3_NIND(a) = delta_epls3_0;      
    delta_epls4_NIND(a) = delta_epls4_0;
    beta1_NIND(a)       = beta1_0;
    beta2_NIND(a)       = beta2_0;          
    beta3_NIND(a)       = beta3_0;
    beta4_NIND(a)       = beta4_0;
    fc1_NIND(a)         = fc1_0;      
    fc2_NIND(a)         = fc2_0;
    fc3_NIND(a)         = fc3_0;
    fc4_NIND(a)         = fc4_0;    
    %计算对应的目标值
    [epls_1,epls_2] = func_obj(f,...
                               epls_inf_NIND(a),...
                               deltas_NIND(a),...
                               delta_epls1_NIND(a),delta_epls2_NIND(a),delta_epls3_NIND(a),delta_epls4_NIND(a),...
                               beta1_NIND(a),beta2_NIND(a),beta3_NIND(a),beta4_NIND(a),...
                               fc1_NIND(a),fc2_NIND(a),fc3_NIND(a),fc4_NIND(a));
    for m = 1:length(f)
        tmps1(m) = ((e1(m)-epls_1(m))^2)/(e1(m)^2);               
        tmps2(m) = ((e2(m)-epls_2(m))^2)/(e2(m)^2);    
    end
    E = sum(tmps1)+sum(tmps2);
    J(a,1)  = E;
end
 
Objv  = (J+eps);
gen   = 0; 
 
while gen < MAXGEN;   
      gen
      FitnV=ranking(Objv);    
      Selch=select('sus',Chrom,FitnV);    
      Selch=recombin('xovsp', Selch,0.9);   
      Selch=mut( Selch,0.01);   
      phen1=bs2rv(Selch,FieldD);   
      for a=1:1:NIND  
          if  gen == 1
              epls_inf_NIND(a)    = epls_inf_0;      
              deltas_NIND(a)      = deltas_0;
              delta_epls1_NIND(a) = delta_epls1_0;
              delta_epls2_NIND(a) = delta_epls2_0;
              delta_epls3_NIND(a) = delta_epls3_0;      
              delta_epls4_NIND(a) = delta_epls4_0;
              beta1_NIND(a)       = beta1_0;
              beta2_NIND(a)       = beta2_0;          
              beta3_NIND(a)       = beta3_0;
              beta4_NIND(a)       = beta4_0;
              fc1_NIND(a)         = fc1_0;      
              fc2_NIND(a)         = fc2_0;
              fc3_NIND(a)         = fc3_0;
              fc4_NIND(a)         = fc4_0;           
          else
              epls_inf_NIND(a)    = phen1(a,1);      
              deltas_NIND(a)      = phen1(a,2);
              delta_epls1_NIND(a) = phen1(a,3);
              delta_epls2_NIND(a) = phen1(a,4);
              delta_epls3_NIND(a) = phen1(a,5);      
              delta_epls4_NIND(a) = phen1(a,6);
              beta1_NIND(a)       = phen1(a,7);
              beta2_NIND(a)       = phen1(a,8);          
              beta3_NIND(a)       = phen1(a,9);
              beta4_NIND(a)       = phen1(a,10);
              fc1_NIND(a)         = phen1(a,11);      
              fc2_NIND(a)         = phen1(a,12);
              fc3_NIND(a)         = phen1(a,13);
              fc4_NIND(a)         = phen1(a,14);  
          end
          
          %计算对应的目标值
          [epls_1,epls_2] = func_obj(f,...
                                     epls_inf_NIND(a),...
                                     deltas_NIND(a),...
                                     delta_epls1_NIND(a),delta_epls2_NIND(a),delta_epls3_NIND(a),delta_epls4_NIND(a),...
                                     beta1_NIND(a),beta2_NIND(a),beta3_NIND(a),beta4_NIND(a),...
                                     fc1_NIND(a),fc2_NIND(a),fc3_NIND(a),fc4_NIND(a));
          for m = 1:length(f)
              tmps1(m) = ((e1(m)-epls_1(m))^2)/(e1(m)^2);               
              tmps2(m) = ((e2(m)-epls_2(m))^2)/(e2(m)^2);    
          end
          E = sum(tmps1)+sum(tmps2);
          JJ(a,1)  = E;
      end 
      Objvsel=(JJ+eps);    
      [Chrom,Objv]=reins(Chrom,Selch,1,1,Objv,Objvsel);   
      gen=gen+1; 
 
      %保存参数收敛过程和误差收敛过程以及函数值拟合结论
      epls_inf(gen)         = mean(epls_inf_NIND);
      deltas(gen)           = mean(deltas_NIND);
      delta_epls1(gen)      = mean(delta_epls1_NIND);
      delta_epls2(gen)      = mean(delta_epls2_NIND);
      delta_epls3(gen)      = mean(delta_epls3_NIND);
      delta_epls4(gen)      = mean(delta_epls4_NIND);
      beta1(gen)            = mean(beta1_NIND);
      beta2(gen)            = mean(beta2_NIND);
      beta3(gen)            = mean(beta3_NIND);
      beta4(gen)            = mean(beta4_NIND);
      fc1(gen)              = mean(fc1_NIND);
      fc2(gen)              = mean(fc2_NIND);
      fc3(gen)              = mean(fc3_NIND);
      fc4(gen)              = mean(fc4_NIND);
      Error(gen)            = mean(JJ);
end 
 
 
MIN=min(Objv); 
for ttt=1:1:size(Objv)     
    if Objv(ttt)<=MIN         
       tt=ttt;         
       break;     
    end
end
 
 
epls_inf_best    = epls_inf_NIND(tt);      
deltas_best      = deltas_NIND(tt);
delta_epls1_best = delta_epls1_NIND(tt);
delta_epls2_best = delta_epls2_NIND(tt);
delta_epls3_best = delta_epls3_NIND(tt);      
delta_epls4_best = delta_epls4_NIND(tt);
beta1_best       = beta1_NIND(tt);
beta2_best       = beta2_NIND(tt);          
beta3_best       = beta3_NIND(tt);
beta4_best       = beta4_NIND(tt);
fc1_best         = fc1_NIND(tt);      
fc2_best         = fc2_NIND(tt);
fc3_best         = fc3_NIND(tt);
fc4_best         = fc4_NIND(tt);  
 
%计算对应的目标值
[epls_best1,epls_best2] = func_obj(f,...
                                 epls_inf_best,...
                                 deltas_best,...
                                 delta_epls1_best,delta_epls2_best,delta_epls3_best,delta_epls4_best,...
                                 beta1_best,beta2_best,beta3_best,beta4_best,...
                                 fc1_best,fc2_best,fc3_best,fc4_best);
%画图
 
 
figure;
subplot(211);
loglog(e1,'b','linewidth',2);
hold on
loglog(epls_best1,'r','linewidth',2);
legend('原始数据','拟合数据');
subplot(212);
loglog(e2,'b','linewidth',2);
hold on
loglog(epls_best2,'r','linewidth',2);
legend('原始数据','拟合数据');
02_016m
相关文章
|
1天前
|
算法
基于遗传优化算法的风力机位置布局matlab仿真
本项目基于遗传优化算法(GA)进行风力机位置布局的MATLAB仿真,旨在最大化风场发电效率。使用MATLAB2022A版本运行,核心代码通过迭代选择、交叉、变异等操作优化风力机布局。输出包括优化收敛曲线和最佳布局图。遗传算法模拟生物进化机制,通过初始化、选择、交叉、变异和精英保留等步骤,在复杂约束条件下找到最优布局方案,提升风场整体能源产出效率。
|
1天前
|
算法 安全 机器人
基于包围盒的机械臂防碰撞算法matlab仿真
基于包围盒的机械臂防碰撞算法通过构建包围盒来近似表示机械臂及其环境中各实体的空间占用,检测包围盒是否相交以预判并规避潜在碰撞风险。该算法适用于复杂结构对象,通过细分目标对象并逐级检测,确保操作安全。系统采用MATLAB2022a开发,仿真结果显示其有效性。此技术广泛应用于机器人运动规划与控制领域,确保机器人在复杂环境中的安全作业。
|
1天前
|
机器学习/深度学习 数据采集 算法
基于WOA鲸鱼优化的CNN-GRU-SAM网络时间序列回归预测算法matlab仿真
本项目基于MATLAB 2022a实现时间序列预测,采用CNN-GRU-SAM网络结构,结合鲸鱼优化算法(WOA)优化网络参数。核心代码含操作视频,运行效果无水印。算法通过卷积层提取局部特征,GRU层处理长期依赖,自注意力机制捕捉全局特征,全连接层整合输出。数据预处理后,使用WOA迭代优化,最终输出最优预测结果。
|
5天前
|
算法 数据安全/隐私保护 计算机视觉
基于FPGA的图像双线性插值算法verilog实现,包括tb测试文件和MATLAB辅助验证
本项目展示了256×256图像通过双线性插值放大至512×512的效果,无水印展示。使用Matlab 2022a和Vivado 2019.2开发,提供完整代码及详细中文注释、操作视频。核心程序实现图像缩放,并在Matlab中验证效果。双线性插值算法通过FPGA高效实现图像缩放,确保质量。
|
1月前
|
算法 数据安全/隐私保护 计算机视觉
基于Retinex算法的图像去雾matlab仿真
本项目展示了基于Retinex算法的图像去雾技术。完整程序运行效果无水印,使用Matlab2022a开发。核心代码包含详细中文注释和操作步骤视频。Retinex理论由Edwin Land提出,旨在分离图像的光照和反射分量,增强图像对比度、颜色和细节,尤其在雾天条件下表现优异,有效解决图像去雾问题。
|
1月前
|
算法 数据可视化 安全
基于DWA优化算法的机器人路径规划matlab仿真
本项目基于DWA优化算法实现机器人路径规划的MATLAB仿真,适用于动态环境下的自主导航。使用MATLAB2022A版本运行,展示路径规划和预测结果。核心代码通过散点图和轨迹图可视化路径点及预测路径。DWA算法通过定义速度空间、采样候选动作并评估其优劣(目标方向性、障碍物距离、速度一致性),实时调整机器人运动参数,确保安全避障并接近目标。
149 68
|
4天前
|
算法
基于SOA海鸥优化算法的三维曲面最高点搜索matlab仿真
本程序基于海鸥优化算法(SOA)进行三维曲面最高点搜索的MATLAB仿真,输出收敛曲线和搜索结果。使用MATLAB2022A版本运行,核心代码实现种群初始化、适应度计算、交叉变异等操作。SOA模拟海鸥觅食行为,通过搜索飞行、跟随飞行和掠食飞行三种策略高效探索解空间,找到全局最优解。
|
1月前
|
算法 数据安全/隐私保护
室内障碍物射线追踪算法matlab模拟仿真
### 简介 本项目展示了室内障碍物射线追踪算法在无线通信中的应用。通过Matlab 2022a实现,包含完整程序运行效果(无水印),支持增加发射点和室内墙壁设置。核心代码配有详细中文注释及操作视频。该算法基于几何光学原理,模拟信号在复杂室内环境中的传播路径与强度,涵盖场景建模、射线发射、传播及接收点场强计算等步骤,为无线网络规划提供重要依据。
|
2天前
|
传感器 算法
基于GA遗传算法的多机无源定位系统GDOP优化matlab仿真
本项目基于遗传算法(GA)优化多机无源定位系统的GDOP,使用MATLAB2022A进行仿真。通过遗传算法的选择、交叉和变异操作,迭代优化传感器配置,最小化GDOP值,提高定位精度。仿真输出包括GDOP优化结果、遗传算法收敛曲线及三维空间坐标点分布图。核心程序实现了染色体编码、适应度评估、遗传操作等关键步骤,最终展示优化后的传感器布局及其性能。
|
4天前
|
算法 数据可视化 数据安全/隐私保护
一级倒立摆平衡控制系统MATLAB仿真,可显示倒立摆平衡动画,对比极点配置,线性二次型,PID,PI及PD五种算法
本课题基于MATLAB对一级倒立摆控制系统进行升级仿真,增加了PI、PD控制器,并对比了极点配置、线性二次型、PID、PI及PD五种算法的控制效果。通过GUI界面显示倒立摆动画和控制输出曲线,展示了不同控制器在偏转角和小车位移变化上的性能差异。理论部分介绍了倒立摆系统的力学模型,包括小车和杆的动力学方程。核心程序实现了不同控制算法的选择与仿真结果的可视化。
32 15

热门文章

最新文章